溫度、top-p 與重複懲罰：三個參數的實際影響
調參數之前，先知道每個參數實際在改什麼。多數任務其實只需要動一個。
取樣參數常被一起亂調，但它們作用的位置不同，混著調很難歸因。
溫度（temperature）
控制機率分布的平緩程度。溫度越低，越集中在高機率 token；設為 0 時近似貪婪解碼，同樣輸入會得到幾乎相同的輸出。抽取、分類、格式轉換一律用 0。
top-p（核採樣）
只從累積機率達到 p 的候選集合中取樣。它與溫度是兩個獨立的裁切方式，同時調兩個很難預測結果。實務建議：固定 top-p 為 1，只調溫度。
重複懲罰
降低已出現過 token 的機率。它能減少鬼打牆，但副作用是會壓抑必要的重複——例如程式碼中的變數名、JSON 中重複出現的欄位名。處理結構化輸出時不要開。
建議起手值
# 抽取／分類／JSON 輸出
temperature=0, top_p=1, frequency_penalty=0
# 文案發想、多方案產生
temperature=0.8, top_p=1, frequency_penalty=0.2需要多樣性時，寧可用同一個溫度多跑幾次再挑，也不要為了「一次到位」把溫度拉很高——高溫的失敗模式通常是整段崩壞，而不是換個說法。
